[发明专利]基于BP神经网络模型计算各月份天文辐射量的方法

权利要求书

1.一种基于BP神经网络模型计算各月份天文辐射量的方法，其特征在于，包括以下步骤：

步骤S1：采集待计算地区DEM影像，并对DEM影像进行预处理；

步骤S2：根据预处理后的DEM影像，提取对应的输入矩阵；

步骤S3：对输入矩阵进行归一化处理；

步骤S4：构建并训练BP神经网络模型；

步骤S5：将归一化后的输入矩阵输入训练后的BP神经网络模型，得到BP神经网络模型的输出矩阵；

步骤S6：对输出矩阵进行反归一化，得到待计算地区的月天文辐射数值矩阵；

所述步骤S2具体为：

步骤S21：提取待计算地区DEM影像每个栅格的高程、坡度、坡向因子以及每个栅格上下左右四个方向邻域栅格的高程、坡度和坡向因子；

步骤S22：将每个栅格的经度、纬度、高程、坡度、坡向、四个方向邻域栅格的高程、坡度、坡向以及所要计算的月份作为该栅格的18个因子，并将每个栅格对应的18个因子作为一个列向量；

步骤S23：将p1×p2个栅格对应的列向量依次按照栅格的编号组合为一个矩阵，该矩阵即为待计算地区DEM影像对应的输入矩阵Input_m×n

其中，m为输入矩阵Input的行数，n为Input的列数；i＝1，2，3，…，m，该矩阵中m＝18；j为DEM栅格的编号，j＝1，2，3，…，n，该矩阵中n＝p1×p2，其中p1×p2为像素的数量；

x_1j和x_2j为第j个栅格的经度和纬度，取DEM影像中心栅格的经度和纬度；

x_3j、x_4j、x_5j、x_6j、x_7j分别为第j个栅格和该栅格四个方向邻域栅格的高程；

x_8j、x_9j、x_10j、x_11j、x_12j分别为第j个栅格和该栅格四个方向邻域栅格的坡度；

x_13j、x_14j、x_15j、x_16j、x_17j分别为第j个栅格和该栅格四个方向邻域栅格的坡向；

x_18j为所要计算的月份的编号，即1月份为1，2月份为2，...，12月份为12；

所述步骤S4具体为：

步骤S41：选取训练样本，包括N幅DEM影像，编号为1-N，并在每个DEM影像中随机抽取M个栅格做为采样栅格；

步骤S42：构建BP神经网络模型输入矩阵：

构建编号为1的DEM影像中所有采样栅格含有1月份编号的矩阵矩阵的第18行元素均为1；

式中，为18行M列的矩阵；的下标表示DEM影像的编号，上标表示月份编号；d＝1，2，3，...，M；矩阵中第d列的元素x_1d，x_2d，...，x_17d依次为第d个采样栅格的经度值、纬度值、高程值、四个方向邻域栅格的高程值、坡度值、四个方向邻域栅格的坡度值、坡向值、四个方向邻域栅格的坡向值；

构建上述所有采样栅格含有2月份编号的矩阵矩阵的第18行元素均为2；

上述所有采样栅格所对应其余月份的矩阵仅改变矩阵第18行的月份编号，得到

将矩阵按如下方式进行组合，得到编号为1的DEM影像中所有采样栅格对应的矩阵l₁

构建得到全部N幅DEM影像中所有采样栅格的矩阵l₁，l₂，...，l_N，将其按如下方式进行组合，得到BP神经网络模型的输入矩阵P

P＝[l₁，l₂，…，l_N]；

步骤S43：构建BP神经网络模型期望输出矩阵；

构建编号为1的DEM影像中所有采样栅格1月份的天文辐射矩阵

式中，为1行M列的矩阵，下标表示DEM影像的编号，上标表示月份编号；y₁，y₂，...，y_M分别为上述中所有采样栅格1月份的天文辐射值；

构建上述所有采样栅格其余月份的天文辐射矩阵将其按如下方式进行组合，得到编号为1的DEM影像中所有采样栅格12个月份的天文辐射矩阵t₁，

构建全部N幅DEM影像所有采样栅格的天文辐射矩阵t₁，t₂，...，t_N，按如下方式进行组合，得到BP神经网络模型的输出矩阵T

T＝[t₁，t₂，…，t_N]；

步骤S44：构建由一个输入层、三个隐含层、一个输出层构成的BP神经网络模型框架，设置网络基本参数，包括最大训练次数、训练目标最小误差、学习率、最大失败次数；

步骤S45：训练BP神经网络模型，得到训练后的BP神经网络模型；

所述步骤S45具体为：

步骤S451：初始化各层权值矩阵和阈值向量；

步骤S452：将步骤S42中构成的输入矩阵和步骤S43构成的期望输出矩阵分别归一化，同时需保存期望输出矩阵归一化前的最大值和最小值，记为y_max和y_min；

步骤S453：将归一化后的输入矩阵输入BP神经网络模型的输入层，计算出其输出矩阵，求出训练目标误差E，其公式为：

式中，n为训练样本的数量；τ_k为归一化后的期望输出矩阵第k个元素的值；o_k为BP神经网络模型的输出矩阵第k个元素的值；

步骤S454：判断误差E是否达到误差要求，若E达到误差要求，即训练结束，转向步骤S455；若没有达到要求，则反向修正BP神经网络模型的各层权值矩阵和阈值向量，再转向步骤S453；

步骤S455：保存各层权值矩阵和阈值向量，得到训练后的BP神经网络模型。